Разработка специального программного обеспечения для диагностирования технического состояния электромеханических систем Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 519.1: 621

РАЗРАБОТКА СПЕЦИАЛЬНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ДИАГНОСТИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

© 2012 г. Д.М. Шпрехер

Новомосковский институт Российского Novomoskovsk Institute of Russian

химико-технологического университета Chemical Engineering University,

им. Д.И. Менделеева named after D. Mendeleyev

Представлено специальное программное обеспечение, предназначенное для повышения эффективности и автоматизации управленческих решений при эксплуатации электромеханического оборудования за счет использования данных статистической обработки измеряемых параметров ЭМС и позволяющее, обрабатывая эти массивы диагностических данных и используя нейронные сети, решать задачи контроля и прогнозирования работоспособности ЭМС.

Ключевые слова: электромеханическая система; индивидуальный статистический портрет; контроль работоспособности; прогнозирование работоспособности.

Will presented special software, intended for increasing of efficiency and automations of the management decisions at usages of the electromechanic equipment to account of the use the given statistical processing measured parameter EMS and allowing, processing these arrays diagnostic data and, using neyro network, solve the problems of the checking and forecastings to capacity to work EMS.

Keywords: electromechanic system; individual statistical portrait; checking to capacity to work; forecasting to capacity to work.

Затраты на ремонт и техническое обслуживание электромеханического оборудования составляют значительную часть общих эксплуатационных расходов добывающих и перерабатывающих предприятий. Поэтому особую важность имеют вопросы, связанные с оценкой текущего состояния используемых электромеханических систем (ЭМС), своевременной диагностикой аварийных и предаварийных режимов их работы, оценкой остаточного ресурса. Это повышает надежность электротехнических комплексов и при удовлетворительном техническом состоянии позволяет увеличить их ресурс.

В связи с вышесказанным было разработано специальное программное обеспечение (СПО), использующее нейронные сети (НС), позволяющее обрабатывать массивы диагностических данных, с целью решения задач контроля и прогнозирования работоспособности ЭМС [1].

Технические требования к изделию

В состав СПО входят следующие программные задачи:

1. Автоматическое (в том числе методом открытия файла формата Excel) чтение из заданного каталога массива диагностических данных по каждой ЭМС;

2. Статистическая обработка диагностических данных и формирование индивидуального статистического портрета (ИСП) ЭМС;

3. Кластеризация технических состояний ЭМС на основе записей их ИСП;

4. Контроль технического состояния ЭМС (включая обнаружение неисправных состояний), представленного массивом векторов измеряемых параметров и дополнительной информации;

5. Прогнозирование значений вектора измеряемых параметров ЭМС, представленных массивом отсчетов временных рядов данных;

6. Запись и накопление обработанной информации в сводных файлах формата Excel.

Описание решения

Программное обеспечение должно помочь определенным образом обработать входную информацию и определить наиболее вероятный вид повреждения работающей ЭМС или сделать заключение об его исправности.

Исходными данными для программных задач служат массивы измерений диагностических параметров SЕ (t), зарегистрированных на различных интервалах своего жизненного цикла одной ЭМС, либо массивы измерений диагностических параметров, зарегистрированных на различных (однотипных, односерийных) ЭМС (рис. 1). Интервал дискретизации, с которым параметры формируются в анализируемый массив, соответствует интервалу опроса установленных на ЭМС телемеханических датчиков.

На вход устройства селекции и декодирования, где производится очистка от шума и отбраковка аномальных измерений, подается сигнал. Туда же поступают синхронизирующие сигналы временной привязки измерений от аппаратуры синхронизации.

Аппаратура синхронизации

SzW

Устройство селекции и декодирования

группового диагностического сигнала ЭМС

si(t)

si2(t)

sN(t)

Аппаратура первичной обработки и формирования абсолютных

параметров ЭМС

%2(t)

Ноутбук

Диагностические решения

Рис. 1. Структурная схема аппаратуры приема диагностического сигнала ЭМС

Разделенные сигналы датчиков (Г), г = 1,...N с выходов информационных каналов поступают на входы аппаратуры выделения абсолютных значений диагностируемых параметров ЭМС, где содержатся данные о тарировочных характеристиках датчиков, информация о калибровочных характеристиках информационных каналов, а также программы обработки измерительной информации. Периодически поступающие в режиме реального масштаба времени векторы Хг (Г),г = подаются на вход портативного компьютера (ноутбука), в котором установлено СПО и осуществляется собственно решение нейросетевой диагностической задачи.

Программно-математическое обеспечение нейро-сетевой системы диагностирования ЭМС характеризуется двумя режимами функционирования:

I этап - синтез параметров диагностических моделей (режим «исследование» или режим Администратора специального программного комплекса);

II этап - использование диагностических моделей по сформированным диагностическим выборкам (режим «работа» или режим Пользователя специального программного комплекса).

Последовательность операций I этапа следующая:

- отбраковка аномальных измерений, обусловленных инструментальными погрешностями;

- интерполяция пропусков отсчетов временных рядов данных инерционных диагностических параметров;

- нормировка значений всех измеряемых параметров в соответствии с линейной или нелинейной тарировочной характеристикой;

- перевод абсолютной шкалы измерений параметров в разностную шкалу, по необходимости.

Элементы интерфейса вкладки «Формирование ИСП» позволяют задавать параметры описанных выше процедур обработки массива диагностических параметров (рис. 2).

Рис. 2. Интерфейс программы при выполнении программной задачи «Формирование ИСП»

По предварительно обработанному массиву диагностических параметров формируются следующие статистические характеристики:

1. Параметр эквивокации ЭМС, характеризующий структурную перестройку ее функциональных параметров. Процедура вычисления параметра эквивока-ции включает в себя вычисление энтропии и информационной избыточности диагностических рядов данных в одном условно заданном состоянии и энтропии и информационной избыточности диагностических параметров, зафиксированных в другом условно заданном состоянии. На основе данных двух групп информационных признаков вычисляется искомый параметр эквивокации. Разделение загруженного массива исходных данных на два условных состояния осуществляется заданием числа отсчетов первого состояния (параметр «Количество отсчетов исходного состояния»). Соответственно, оставшееся число отсчетов относится ко второму техническому состоянию ЭМС.

2. Упорядоченный по убыванию перечень номеров значимых отсчетов, на которых проявилось аномальное поведение ЭМС, зафиксированное датчиками. Элемент интерфейса «Апертура обнаружения значимых отсчетов» позволяет регулировать порог обнаружения таких отсчетов.

3. Интегральный показатель точности измерений, проведенных на интервале тестирования. Вычисляемый показатель точности выражает интегральную по всем параметрам величину ошибки средних значений в процентах от самих средних.

4. Ошибка интегрального показателя точности измерений.

Результатом решения рассматриваемой задачи, помимо указанных выше статистических характеристик, является индивидуальный статистический портрет ЭМС, зафиксированный на интервале наблюдения. ИСП представляет собой матрицу 11 статистических признаков по каждому диагностическому параметру (рис. 3).

Графическое представление данных Результаты обработки данных

Значение дополнительного параметра: 7

Инаивидуальный статистический портрет 1С ЭМС:

СТАТИСТИЧЕСКИЕ ПРИЗНАКИ Ч ПАРАМЕТРЫ параметр 2 теплово параметр рааиальнь текущая средняя н ар: номинальная акт иен номинальная пс

Математическое ожидание: С.4ЭЭ2 0.4375 0,4370 0,4964 0,4363

Ошибка математического ожидания: 0.0043 0,0054 0,0051 0,0065 0,0056

Среднеквадратическое отклонение; 0,0671 0,0756 0,0666 0,0316 0,0735

Ошибка среднекеадратического отклонения; 0,0005 0,0006 0,0003 0,0008 0,0006

Коэффициент вариации: 0,1344 0,1515 0,1743 0,1341 0,1600

Ошибка коэффициента вариации: 0,0067 0,0076 0,0037 0,0092 0.0030

Медиана: 0.5000 0,5000 0.5000 0.50Ш 0.6000

Ошибка медизны: ОХОбО 0.0067 0.0077 0.0082 0X071

Средняя разность Джини: 0.0605 0,0654 0X771 0.0910 0X771

Удельная энтропия вариационного ряда: «.0111 ■6,4515 -6.0723 ■5.7439 -S.1207

Избыточность вариационного ряда: 3.0037 3.1505 3.0241 2.3163 3.0402

и J ±1

Рис. 3. ИСП ЭМС, в котором характеристики вычислены по нормированным и переведенным

в разностную шкалу параметрам

Далее в зависимости от вида решаемой задачи формируется одна из рабочих диагностических моделей:

- модель задачи кластеризации (разбиений на заданное число классов в метриках: евклида, манхэттен или супремум-нормы) технических состояний множества ЭМС или одной ЭМС в различные периоды ее эксплуатации на основе записей их ИСП;

- модель задачи обучения контролю технического состояния ЭМС (в том числе распознавания класса исправного или неисправного состояния, являющегося основой для определения места и причин неисправностей), на основе массива векторов измеряемых параметров и дополнительной информации;

- модель задачи обучения прогнозированию значений вектора измеряемых параметров ЭМС, представленной массивом отсчетов временных рядов.

И, наконец, осуществляется запись и сохранение сформированной нейросетевой модели (моделей) и параметров предварительной статистической обработки на физическом носителе рабочей станции.

Последовательность операций II этапа (режима Пользователя) следующая:

1. Проведение вышеописанных операций, в результате которых формируется индивидуальный статистический портрет ЭМС.

2. В зависимости от вида решаемой задачи осуществляется загрузка с физического носителя одной из рабочих диагностических моделей:

- модели задачи классификации текущего технического состояния ЭМС, представленной индивидуальным статистическим портретом ее измеряемых параметров;

- модели задачи контроля (распознавания) технического состояния ЭМС (распознавания класса исправного или неисправного состояния), представленного вектором измеряемых параметров;

- модели задачи прогнозирования значений вектора измеряемых параметров ЭМС, представленной массивом отсчетов временных рядов данных и верификации прогноза.

В программной задаче «Кластеризация ТС» используются алгоритмы кластеризации взвешенного К-средних и взвешенного слоев Кохонена. В результате выполнения заданного в выпадающем списке (взвешенный К-средних или взвешенный слой Кохонена) алгоритма в расположенной слева внизу таблице кластеризуемой выборки отображается название ИСП и номер класса, к которому он отнесен, в правой части рабочей области на вкладке «Результаты обработки данных» в таблице отображаются численные значения координат центроидов кластеризованной выборки ИСП (рис. 4).

В программной задаче «Контроль ТС ЭМС» реализуются алгоритмы обучения и распознавания видов ТС ЭМС. (в том числе неисправных) представляемых в виде вектора-строки (рис. 5). Левая часть обучающего вектора подается на вход НС, правая часть, соот-

ветственно, на выход НС. Каждое ТС ЭМС представлено в виде строки, в левой ее части параметры ТС, а в правой (выделенной желтым) - кодовое описание ТС.

Особенностью реализации процедур обучения и распознавания является критерий обученности, вычисляемый не на обучающей выборке, а на проверочной.

Проверка достоверности контроля посредством распознавания осуществляется на третьей - тестовой выборке. В качестве модели распознавания классов ТС ЭМС используется многослойный нейросетевой классификатор с числом скрытых слоев от 1 до 4. В качестве алгоритмов распознавания реализованы два - наискорейшего спуска и отложенного обучения.

При загрузке модели НС - многослойного классификатора в левой части рабочей области визуализируются параметры обучающей выборки, структура НС и параметры самого алгоритма обучения (рис. 6).

Рис. 4. Текстовое представление результатов кластеризации

0,34664 0,6503 0,37332 -0,6333? -0,99404 -0,9939 -0,37051 -0,62677 -0,5905 -0,26225 QJ03S52 0,42031 0,71499 0 0 0 1 0 0 0 1 0 0 0 1 1 0 1 И ■ ■ 1 а 0 а 1 а • 1 * | 1 1 1 О б * в 1 0 0 0 1 б 0 0 1 0 б б

7,05284 0,30133 10,5499 24,5383 28,2663 23,0354 29,7333 31,5324 33,281 35,0295 36,7731 33,5286 40,2752

3 0,15663 0Я8625 0.01537 0,99023 0,27011 0.91737 0,34637 0,17392 0,01654 0.49695 0,5344 0,09242

1 1 _1! 0 0 0 0 0 0 0 0 1 1

-0,15051 4>,97443 0.29750 0,73734 0,55535 -0,37116 -0.4236« 0,93613 0,23271 -0J9773 -0.13513 0,9932 -0,01554

32,2394 «.«зге 51,9577 130,731 140.63 150,479 160.326 170,173 130,027 139,876 139,725 209,574 213,423

0,15663 0,90625 0.06096 0,09023 0,27011 0,91737 0.34637 0,17392 0,01654 0,49395 0,5344 0.09242 0,30219

1 0 0 0 1 1 0 0 0 1 1 0 0

0.93904 0.99315 0.39506 ■0.04001 -0,55634 -0,10305 0.22066 0,53644 0.66023 0,99176 0.96157 0.77453 0,46129

§Е]ЭЭ14 25,8853 23,9502 64,3353 63.6237 72,3241 77,2135 31.5129 65.8073 90,1017 34.396 93,6904 102,965

0,00096 0.49364 0,27011 0,91737 0,34607 0.17392 0,01654 0.49995 0,5344 0.09242 0.90213 0,03231

1 _1 0 0 0 0 0 .. _J 1 1 1 0 0

0,93114 0,90834 0,86063 ■0.99(54 ■0,90106 ■0,70195 -0.42057 ■0,03389 0,25134 0,5631 0.80395 0.35979 0,99323 0 а в 1

50.0131 58,3904 66,7877 133,788 142,163 150,5(1 158.916 167,285 175,673 164,015 132.427 20О ¡805 233,182 0 о 1 б

0,93096 0,49364 0.54839 0,91 737 0,34667 0,17392 0,01654 0.49695 0,5344 0,09242 0.90216 0,08291 0,37002 а 1 в б

0 0 0 _0 0 1 1 1 0 0 _0 _0 J 1 а 1 б

■0,99046 -0,71316 0,12053 0,91541 0,67731 0,15473 -0,66868 -0,99(64 ■0,62471 0,3546 0,96725 0j61 306 0,03452 0 0 в 1

73,5251 85,8241 38,1232 138,516 208,815 221,114 333,413 245,712 258,011 270,31 282,809 234,908 307,207 а а 1 б

0,49364 0,54839 0,27156 0,34887 0,17392 0,01664 0,49895 D.5344 0,09242 0,90218 0,06291 0/370 02 0,61617 а 1 в б

1 1 _11 0 Й 0 1 1 1 1 1 0 1 а в б

0,38543 •D,81994 0,99973 -0,04672 ■0,61382 0,902(9 ■0,9901 0,7471В -0,25485 ■0,32267 0,7923 -0,99754 0,68979 0 0 в 1

77,5934 88 ¡6283 100JCB4 138,548 201,163 212,419 223J6S4 234,69 248,125 257,361 268,538 279^32 291,067 л а t б

0,44339 0,27168 0,27902 0,17392 0,01654 0,45805 0,6344 0J09242 0,90216 0,08291 0,37002 0,61617 0,70661 0 1 в б

1 0 t 1 Q 0 0 0 1 0 1 0 ö 1 а 1 б

Рис. 5. Загрузка данных задачи «Контроль ТС ЭМС»

Файл Обработка

h .1, О Ц

^KwrpoieJCS MCj I

Параметры процедуры

Обучающим пар МкТОрОб: j^g Проее-powb« пар векторов: 14 Тестовых пар векторов: Вид нормировки: | Л шейная

Крутизна Функции Q g

Мин7Мзкс,: |аг \j\03 ]

H

Структура НС

Входов: [50_

Выходов: |4

Количество скрыть« слоев НС: [2 Число нейронов {по слоям):

1:[27 | 2:17 I 3-llQ J 4:[в"

Параметры обучения НС

Метод |~Наискорайший спуск v Погрешность обучения- [0,01 Скорость обучения: |3,Э

Момент терции: [0„ 03 |

Итераций обучения (эпох): ¡1000 | Количество запусков иа обучение: 12 |

Исходные данные

Отсчет M:1 ■ o35 ^0.65

Отсчет M:2 J 7.05 8Я)

Ch-счет №3 i 0.95 0.1 S

Графическое представление данный Результаты обработки данных |

РЕЗУЛЬТАТЫ РЕШЕНИЯ ЗАДАЧИ КОНТРОЛЯ ПОСРЕДСТВОМ РАСПОЗНАВАНИЯ ВЕКТОРОВ ТСЭМС Достигнутая погрешность распознавания примеров проверочной выборки 0,(ЮЭ998610709 П огрешность распознавания примеров тестовой выборки: 0,00999861070852985

В ыборка (обдающая, проверочная, тестовая}: 0: ОРТУ/АПЕ \VKA\5_Диагностика^ а!аМ) а<а_ВесодгйогЛ0АТ А_1 >

Общее количество обучающих примеров: 18

Общее количество параметров (входных + выносных^ 24

Параметры процедуры распознавания векторов ТС

Векторов обучающей выборки. 8

Векторе® проееро»юй выборки: 4

Векторов тестовой выборки; 4

Вид нормировки Лиме иная

Крутизна емгмокдной Функции: 0,5

Значения минимального и максимального уровня: 02, 0,8

Параметры модели кпасиФикаиии ТСЗМС Количество скрытых слоев НС: 2

Параметры обучения НС

Алгоритм настройки весов- Наискорейший спуск

' Заданная минимальная погрешность обучения на проверочной выборке. 0,01 Скорость обучения 9.9 Моме»я инерции 0,03

Количестов циклов обучения пох) на каждом этапе; 10ОО Количество этапов обучения, начинаемых с инициализации весов: 2

Результаты распознавания векторов ТСЭМС Тестоеьй вектор 0

Истинные отсчеты 0,00, 0,00, 0,00, 1,00,

Распознанные отсчеты: 0,02, 0,00, 0,00, 0.38, Тестовый вектор № 1

Истинные отсчеты 0,00. 0.00. 1,00, 0.00.

Распознанные отсчеты: 0,00, 0,01, 0,99, 0,01, Тестовый вектор № 2

Истинные отсчеты 0,00, 1,00, 0,00, 0,00.

Распознанные отсчеты: 0,00, 0,99, 0,01. 0,01, Тестоеьй вектор № 3

Истинные отсчеты 1,00, 0,00, 0,00, 0,00,

Распознанные отсчеты: 0,98, 0,00, 0,00, 0,01,

L

JsJ

Dr\SOFTWARE\VKA\5jMerh»CTHM\Datj\Oata_R«:o^iition1DATA_l.xfc

Отсчетов: 1й Пакмнятров:

Рис. 6. Результат контроля ТС ЭМС в текстовом виде

При этом оператору, работающему с программой, необходимо будет следить за соответствием ряда числовых характеристик модели и открытого массива числовых данных, например сумма обучающих, проверочных и тестовых векторов не должна превысить общего числа отсчетов выборки, отображаемого в панели состояния. Суммарное число входов и выходов НС не должно превышать общего числа параметров выборки.

После завершения процесса обучения оператору предоставляется возможность либо повторить обучение, либо использовать обученную модель для распознавания не входящих в обучающую и проверочную выборки данных, т.е. использовать распознающую модель многослойной НС для распознавания вида технического состояния ЭМС. В результате операции использования синтезированной распознающей модели по целевому назначению на нижнем графике (в правой части рабочей области) будут отображаться истинные и распознанные элементы правых частей тестовых векторов, а на вкладке «Результаты обработки данных» печатается интегральная характеристика погрешности распознавания вида ТС ЭМС на тестовой выборке (рис. 6).

Поступила в редакцию

В программной задаче «Прогнозирование ТС ЭМС» реализуются те же распознающие модели, что и в программной задаче «Контроль ТС ЭМС». Отличие процедуры прогнозирования заключается в формировании обучающей выборки из исходного массива измерений ТС ЭМС в соответствии с методом скользящего окна наблюдений.

Внедрение

Разработанное СПО может быть внедрено на горнодобывающих предприятиях для диагностики электроприводов переменного тока, работающих в сложных условиях, в том числе и когда непосредственный доступ к диагностируемому оборудованию затруднен или невозможен, например для приводных двигателей горно-транспортных машин, приводных двигателей скважинных погружных насосов.

Литература

1. Шпрехер Д.М. Программа диагностирования технического состояния электромеханических систем («ЭМС-НС») : свидетельство о государственной регистрации программы для ЭВМ № 2010611531. Зарегистрировано 16.02.2011 г.

1 июля 2011 г.

Шпрехер Дмитрий Маркович - канд. техн. наук, доцент, кафедра «Электротехника», Новомосковский институт РХТУ им. Д.И. Менделеева. Тел. 8(487-62) 6-89-20. E-mail: shpreher-d@yandex.ru

Shprekher Dmitriy Markovich - Candidate of Technical Sciences, assistant professor, department «Electrical Engineering», Novomoskovsk Institute of Russian Chemical Engineering University, named after D. Mendeleyev. Ph. 8(487-62) 6-89-20. E-mail: shpreher-d@yandex.ru_